yolo---訓練時，命令行中加入-map 和 -dont_show

 

AlexeyAB（darknet yolov3）訓練自己的數據時，在命令行中加入-map 和 -dont_show。
-map 是為了把loss曲線和測試的准確率打印出來；
-dont_show 是在訓練中圖像顯示給隱藏了；

 

 @https://blog.csdn.net/qq_43487391/article/details/102933080

@https://github.com/AlexeyAB/darknet#how-to-use

@https://github.com/muyiguangda/darknet

@https://github.com/Zzh-tju/DIoU-darknet

@https://blog.csdn.net/qq_33270279/article/details/103482085

@www.freesion.com/article/1819217386/

IoU，GIoU，DIoU和CIoU三種目標檢測loss
IoU：使用最廣泛的檢測框loss。
GIoU：2019年CVPR    Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
DIoU和CIoU：2020年AAAI  Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression

下面我們直接一句話總結一下這四種算法的優缺點：
1. IoU算法是使用最廣泛的算法，大部分的檢測算法都是使用的這個算法。
2. GIoU考慮到，當檢測框和真實框沒有出現重疊的時候IoU的loss都是一樣的，
   因此GIoU就加入了C檢測框（C檢測框是包含了檢測框和真實框的最小矩形框），這樣就可以解決檢測框和真實框沒有重疊的問題。
   但是當檢測框和真實框之間出現包含的現象的時候GIoU就和IoU loss是同樣的效果了。
3. DIoU考慮到GIoU的缺點，也是增加了C檢測框，將真實框和預測框都包含了進來，
   但是DIoU計算的不是框之間的交並，而是計算的每個檢測框之間的歐氏距離，這樣就可以解決GIoU包含出現的問題。
4. CIoU就是在DIoU的基礎上增加了檢測框尺度的loss，增加了長和寬的loss，這樣預測框就會更加的符合真實框。


@https://blog.csdn.net/donkey_1993/article/details/104006474

IOU：IOU損失考慮檢測框和目標框重疊面積。

GIOU：GIOU損失在IOU的基礎上，解決邊界框不重合時的問題。

DIOU：DIOU損失在IOU的基礎上，考慮邊界框中心距離的信息。

CIOU：CIOU損失在DIOU的基礎上，考慮邊界框寬高比的尺度信息。

@ www.freesion.com/article/1819217386/